Project ProtoStar, une initiative réunissant universités, organismes de recherche, industriels et communauté de la science ouverte, vise à rendre plus faciles à découvrir, à réutiliser et à exploiter les jeux de données, modèles et codes issus de la recherche financée sur fonds publics, notamment pour la recherche assistée par IA. Son premier défi, organisé par Carnegie Mellon University, s’ouvre le 2 novembre.
- ProtoStar vise à rendre les données, modèles et codes de la recherche publique exploitables par l’IA.
- Le partage s’accélère : les chercheurs ont publié plus de trois fois plus de nouveaux jeux de données sur Hugging Face en 2026 qu’en 2025.
- Le premier défi teste si l’IA améliore les prévisions climatiques urbaines dans 210 villes américaines.
- Les résultats finaux seront publiés au début de 2027.
Le gouvernement fédéral américain consacre environ 190 milliards de dollars par an à la recherche et au développement, et la politique fédérale attend de plus en plus que les résultats soient partagés publiquement. Les National Institutes of Health (NIH) et la National Science Foundation (NSF) ont renforcé les obligations d’accès public aux publications et demandent aux chercheurs de prévoir le partage des données sous-jacentes. Hugging Face figure parmi les dix dépôts généralistes recensés par les NIH pour le partage de données de recherche.
Or, rendre la recherche publique ne la rend pas automatiquement exploitable. Les jeux de données, modèles et codes scientifiques sont souvent dispersés entre des systèmes incompatibles, conservés dans des formats anciens ou figés, ou publiés sans la documentation, les métadonnées (informations décrivant les données) et la provenance nécessaires pour les comprendre et les réutiliser. Ces limites compliquent le travail des chercheurs et, plus encore, celui des systèmes d’IA chargés de repérer, interpréter et combiner des ressources scientifiques d’une discipline à l’autre.
ProtoStar entend encourager le partage systématique de ces ressources dans des formats prêts pour l’IA, appuyé sur une infrastructure ouverte et des conseils pratiques de publication. Le projet s’inscrit dans la lignée du AI Data-Readiness Challenge du National Cancer Institute et du guide de Hugging Face sur la préparation des données du secteur public à l’IA.
Un partage qui s’accélère
Hugging Face héberge plus de 17 000 jeux de données publics dans les grands domaines scientifiques, comme la génomique, la conception de protéines, la chimie, la météo et le climat, l’observation de la Terre ou l’astronomie. Ce chiffre approche 29 000 lorsque la médecine et les mathématiques sont incluses, avec un nombre comparable de modèles scientifiques.
Les chercheurs ont partagé plus de trois fois plus de nouveaux jeux de données scientifiques sur la plateforme au cours des neuf premiers mois de 2026 qu’à la même période de 2025. La croissance reste substantielle même après exclusion du plus gros contributeur individuel.
Les 18 dépôts publics gérés par le National Center for Biotechnology Information (NCBI), rattaché aux NIH, ont reçu ensemble plus de 11 millions de téléchargements. Les 27 dépôts de NASA IMPACT en ont reçu environ 770 000, au 26 octobre 2026. La documentation joue aussi un rôle : selon les chiffres cités, 90 % des téléchargements de jeux de données sur Hugging Face concernent des jeux entièrement documentés.
Dans les institutions partenaires, des engagements se mettent en place. Le Open Source Programs Office de Carnegie Mellon University encourage ses chercheurs à partager sur Hugging Face les jeux de données, modèles d’IA et autres résultats adaptés, tout en reconnaissant l’importance des dépôts spécialisés par discipline.
Le premier défi : Climate Risk Intelligence
Organisé par Carnegie Mellon University, du 2 au 13 novembre 2026, le défi invite les participants à tester si l’IA peut améliorer les prévisions des conditions climatiques urbaines, à partir de données météorologiques historiques de 210 villes américaines. Les équipes utilisent les relevés climatiques jusqu’en 2018 pour prédire les conditions réelles de 2019 à 2026, ce qui permet d’évaluer leurs modèles face à la météo observée plutôt qu’à des scénarios hypothétiques.
Quatre indicateurs liés à l’aménagement urbain doivent être prévus : la température annuelle moyenne, les précipitations annuelles totales, le jour le plus chaud de l’année et les degrés-jours de refroidissement, mesure de la demande en climatisation. Les prévisions sont comparées à des références statistiques simples, moyennes historiques et tendances linéaires, pour savoir si les approches fondées sur l’IA apportent une amélioration réelle de la précision.
Les participants doivent aussi proposer une courte idée de politique d’adaptation climatique, inspirée des données analysées. Les équipes soumettent leurs résultats sous forme de jeu de données Hugging Face. Les prévisions sont évaluées sur un classement public, mesurant les erreurs par rapport aux références, tandis que les idées de politique font l’objet d’un examen séparé. Les résultats finaux seront publiés au début de 2027, une fois les relevés météorologiques complets de 2026 disponibles.
D’autres institutions accueilleront ensuite leurs propres défis, chacun consacré à une ressource scientifique financée sur fonds publics. Les organisations intéressées peuvent écrire à [email protected].
